●
Part1结构规范及写作
●
1.1 架构清晰、主次分明
数据分析报告要有一个清晰的架构,层次分明能降低阅读成本,有助于信息的传达。虽然不同类型的分析报告有其适用的呈现方式,但总的来说作为议论文的一种,大部分的分析报告还是适用总-分-(总) 的结构。推荐学习金字塔原理,中心思想明确,结论先行,以上统下,归类分组,逻辑递进。行文结构先重要后次要,先全局后细节,先结论后原因,先结果后过程。对于不太重要的内容点到即止,舍弃细枝末节与主题不相关的东西。1.2 核心结论先行、有逻辑有依据
结论求精不求多。大部分情况下,数据分析是为了发现问题,一份分析报告如果能有一个最重要的结论就已经达到目的。精简的结论能降低阅读者的阅读门槛,相反太繁琐、有问题的结论100个=0。报告要围绕分析的背景和目的以及要解决的问题,给出明确的答案和清晰的结论;相反,结论或主题太多会让人不知所云,不知道要表达什么。分析结论一定要基于紧密严谨的数据分析推导过程,尽量不要有猜测性的结论,太主观的结论就会失去说服力,一个连自己都没有把握的结论千万不要在报告里误导别人。但实际中,部分合理的猜测找不到直观可行的验证,在给出猜测性结论的时候,一定是基于合理的、有部分验证依据前提下,谨慎地给出结论,并且说明是猜测。如果在条件允许的前提下可以通过调研/回访的方式进行论证。不回避 “不良结论” 。在数据准确、推导合理的基础上,发现产品或业务问题并直击痛点,这其实是数据分析的一大价值所在。1.3 结合实际业务、建议合理
基于分析结论,要有针对性的建议或者提出详细解决方案,那么如何写建议呢?首先,要搞清给谁提建议。不同的目标对象所处的位置不同,看问题的角度就不一样,比如高层更关注方向,分析报告需要提供业务的深度洞察和指出潜在机会点,中层及员工关注具体策略,基于分析结论能通过哪些具体措施去改善现状。 其次,要结合业务实际情况提建议。 虽然建议是以数据分析为基础提出的,但仅从数据的角度去考虑就容易受到局限、甚至走入脱离业务忽略行业环境的误区,造成建议提了不如不提的结果。因此提出建议,一定要基于对业务的深刻了解和对实际情况的充分考虑。再进一步,如果可以给出这个建议实施后的收益,下单转化提升多少、交易提升多少、能节省多少成本等,把价值点直接传递给阅读对象。●
Part2数据使用及图表
●
2.1 分析需要基于可靠的数据源
用于鉴别信息/数据的可靠性,主要有四种方法:同类对比、狭义/广义比对、相关对比和演绎归谬。2.1.1 同类对比与口径相同或相近,但来源不同的信息进行对比。示例:最常见就是把跑出来的数据和报表数据核对校验。2.1.2 狭义/广义对比通过与更广义(被包含)或更狭义(包含)的信息进行对比。示例:3C品类销售额与商城总销售额比较,3C的销售额更高显然是错误的,因为商城总销售额包含3C销售额;某些页面/频道的UV与APP总UV比较也类似。 2.1.3 相关对比通过与具有相关性、关联性的信息进行对比。示例:某平台的Dn留存率,对于同一个基准日期来说,D60留存率一定低于D30留存率的,如果出现大于的情况,那就是错误数据了。2.1.4 演绎归谬通过对现有证据的深入演绎,推导出结果,判断结果是否合理。示例:比如某平台的销售客单价2000左右,总销售额1亿左右;计算得出当日交易用户数10万,通过乘以客单价,得到当天销售额2亿,显然与业务体量不符,为错误的数据。2.2 尽量图标化,提高可读性
用图表代替大量堆砌的数字,有助于阅读者更形象直观地看清楚问题和结论,当然,图表也不要太多,过多的图表一样会让人无所适从。让图表五脏俱全,一张图必须包含完整的元素,才能让阅读者一目了然。标题、图例、单位、脚注、资料来源这些图表元素就好比图表的五脏六腑。 要注意的条条框框。首先,避免生出无意义的图表。决定做不做图的唯一标准就是能否帮助你有效地表达信息。第二点、不要把图表撑破。最好一张图表反映一个观点,突出重点,让读者迅速捕捉到核心思想。第三点、只选对的,不选复杂的。第四点、一句话标题。●
Part3常见数据分析误区
●
3.1 控制变量谬误
在做A/B测试时没有控制好变量,导致测试结果不能反映实验结果。或者在进行数据对比时,两个指标没有可比性。举个例子,为测试不同营销时间点对下的转化的影响,但A实验使用短信营销、B实验使用电话营销,未控制变量(营销方式),导致实验无法得出结论。3.2 样本谬误
3.2.1 样本量不够统计学的基础理论基石之一就是大数定律,只有当数据量达到一定程度后,才能反映出特定的规律。如果出现样本量极少的情况,建议把时间线拉长,获得足量的样本。或者将不重要的限定条件去掉,增加样本数。3.2.2 存在选择性偏见或者幸存者偏见统计学的另一大理论基石是中心极限定理。简单描述就是,总体样本中,任意一个群体样本的平均值,都会围绕在这个群体的整体平均值周围。举个例子,在应用升级期间,衡量登录用户数、交易用户数等指标,来判断用户对新版本的喜欢是否优于老版本。听上去非常合理,但这里实际就隐藏了选择性偏见,因为新版本发布时,第一批升级上来的用户往往就是最活跃的用户,往往这批用户的指标较好,但不代表新版本更好。3.2.2 混入脏数据这种数据的破坏性比较大,可能得出错误的结论。通常我们会采用数据校验的手段,屏蔽掉校验失败的数据。同时,在分析具体业务时,也要针对特定业务,对所使用的数据进行合理性限定,过滤掉异常离群值,来确保拥有比较好的数据质量。3.3 因果相关谬误
会误把相关当因果,忽略中介变量。比如,有人发现雪糕的销量和河溪溺死的儿童数量呈明显相关,就下令削减雪糕销量。其实可能只是因为这两者都是发生在天气炎热的夏天。天气炎热,购买雪糕的人就越多,而去河里游泳的人也显著增多。3.4 辛普森悖论
简单来说,就是在两个相差较多的分组数据相加时,在分组比较中都占优势的一方,会在总评中反而是失势的一方。3.5 个人认知谬误
主观臆断、经验当事实、个体当整体、特征当全貌、眼见当事实。举个主观臆断的例子:某个产品A页面到B页面的转化率30%,直接判断为很低,推导出可以提高到75%。但实际类似产品或者用户行为决定页面的转化率就只有这么高,得出一个错误的结论。标准至关重要,数据+标准=判断。有了判断才能深入分析。通过分组对比找标准(象限法、多维法、二八法、对比法),有标准通过分析对比,找到“好/坏”的点欢迎光临 168大数据 (http://www.bi168.cn/) | Powered by Discuz! X3.2 |